CN113033413A - 一种眼镜推荐方法、装置、存储介质和终端 - Google Patents

Abstract

本发明公开了一种眼镜推荐方法、装置、存储介质和终端，方法包括以下步骤：获取待推荐用户的目标面部图片；对目标面部图片进行检测，获取第一目标面部特征和第二目标面部特征；生成与第一目标面部特征相匹配的初始眼镜样式；通过AR技术模拟初始眼镜样式在目标面部图片的佩戴效果；获取最优佩戴效果对应的第一目标眼镜参数以及第二目标面部特征对应的第二目标眼镜参数；生成最匹配的目标眼镜样式及其购买链接。本发明利用人脸检测技术和AR技术，可以为用户提供精准的选配镜框服务，近视人群均可通过该方案选择到合适的镜框，通过和线下眼镜店对比，不仅可以为近视人群提供更具性价比的产品，同时大大降低了网上配镜不合适退换货的风险。

Description

一种眼镜推荐方法、装置、存储介质和终端

【技术领域】

本发明涉及计算机领域，尤其涉及一种眼镜推荐方法、装置、存储介质和终端。

【背景技术】

日常生活中，眼镜是近视人群的必需品，往常人们是通过线下眼镜店选择镜框并验光配镜，随着网购的兴起，越来越多的人们选择在网上购买眼镜。

网购最大的优点就是足不出户挑选到自己心仪的商品，眼镜亦不例外，通常网店会提供镜框的镜面宽度、中梁宽度(鼻梁宽度)、镜框高度、整个镜框长度即框面外宽、镜腿长度等信息，结合消费者自己眼睛的度数、瞳距等，就可以在网店进行镜框选购。但是这种简单匹配的购买方式很难让消费者在网络上购买到满意的眼镜，有过配镜经历的消费者都知道，由于每个人的瞳距、鼻梁高度等不同，在配好眼镜后都需要在脸上进行调试，否则佩戴起来就极不舒服，甚至影响到配镜者的视力。

【发明内容】

本发明提供了一种眼镜推荐方法、装置、存储介质和终端，解决了现有技术的吞吐率测试结果不准确的技术问题。

本发明解决上述技术问题的技术方案如下：一种眼镜推荐方法，包括以下步骤：

获取待推荐用户的目标面部图片；

对所述目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

采用训练后的深度神经网络生成与所述第一目标面部特征相匹配的至少一个初始眼镜样式；

通过AR技术模拟每个初始眼镜样式在所述目标面部图片的佩戴效果；

当所述待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及所述第二目标面部特征对应的第二目标眼镜参数；

根据所述第一目标眼镜参数和所述第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

在一个优选实施方式中，从所有的佩戴效果中选定最优佩戴效果包括：

持续获取所述待推荐用户针对任一所述佩戴效果的语音改进指令和/或文字改进指令，对所述语音改进指令和/或所述文字改进指令进行语义分析，根据语义分析结果调整对应初始眼镜样式的当前眼镜参数，直至所述待推荐用户确认最优佩戴效果。

在一个优选实施方式中，所述第一目标面部特征包括待推荐用户的发型、眉型、面部比例、眉间距以及眼眶宽高中的至少一个；

所述第二目标面部特征包括待推荐用户的鼻梁高度、鼻梁宽度、侧脸宽度以及瞳距中的至少一个；

所述第一目标眼镜参数包括镜面宽度、镜框形状、镜框宽度、镜框高度、镜框粗细、框面外宽、镜腿形状以及镜框材质中的至少一个；

所述第二目标眼镜参数包括中梁宽度和/或镜腿长度。

在一个优选实施方式中，所述采用训练后的深度神经网络生成与所述第一目标面部特征相匹配的至少一个初始眼镜样式包括：

构建基于深度神经网络的眼镜样式推荐模型，所述眼镜样式推荐模型的输入至少包括第一面部特征，输出为至少一个初始眼镜样式；

获取样本图片集合，并从所述样本图片集合中筛选出佩戴眼镜的训练图片；

采用所述训练图片对所述眼镜样式推荐模型进行训练，优化所述眼镜样式推荐模型的模型参数；

采用训练完成的眼镜样式推荐模型生成与待推荐用户的第一目标面部特征相匹配的至少一个初始眼镜样式。

在一个优选实施方式中，所述眼镜样式推荐模型的输入还包括人群特征，所述人群特征包括用户年龄、性别、职业和眼镜使用场合中的至少一种。

本发明实施例的第二方面提供了一种眼镜推荐方法，包括以下步骤：

获取多个待推荐用户的目标面部图片；

对每个所述目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

当所有待推荐用户选定同一最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

根据所述第一目标眼镜参数和所述第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

本发明实施例的第三方面提供了一种眼镜推荐装置，包括第一获取模块、第一检测模块、第一匹配模块、第一显示模块、第二获取模块和第一推荐模块，

所述第一获取模块用于获取待推荐用户的目标面部图片；

所述第一检测模块用于对所述目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

所述第一匹配模块用于采用训练后的深度神经网络生成与所述第一目标面部特征相匹配的至少一个初始眼镜样式；

所述第一显示模块用于通过AR技术模拟每个初始眼镜样式在所述目标面部图片的佩戴效果；

所述第二获取模块用于当所述待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及所述第二目标面部特征对应的第二目标眼镜参数；

所述第一推荐模块用于根据所述第一目标眼镜参数和所述第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

本发明实施例的第四方面提供了一种眼镜推荐装置，包括第三获取模块、第二检测模块、第二匹配模块、第二显示模块、第四获取模块和第二推荐模块，

所述第三获取模块用于获取多个待推荐用户的目标面部图片；

所述第二检测模块用于对每个所述目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

所述第二匹配模块用于采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

所述第二显示模块用于同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

所述第四获取模块用于当所有待推荐用户选定同一最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

所述第二推荐模块用于根据所述第一目标眼镜参数和所述第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

本发明实施例的第五方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上任一项所述的眼镜推荐方法。

本发明实施例的第六方面提供了一种终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述的眼镜推荐方法的步骤。

本发明提出了一种眼镜推荐方法、装置、存储介质和终端，利用人脸检测技术和AR技术，可以方便用户首先根据自己的第一目标面部特征挑选眼镜的风格和款式，然后根据自己第二目标面部特征对选定风格或款式的眼镜细节尺寸进行调整，从而获得最合适的目标眼镜样式及其购买链接，从而保证眼镜佩戴的美观性和舒适性，为用户提供精准的选配镜框服务。和线下眼镜店对比，本发明可以为近视人群提供更具性价比的产品，同时大大降低了网上配镜不合适退换货的风险，所采集到的用户面部信息数据，可用于日后再次选配镜框，还可搭配验光数据，做到线上一体化配镜，具有极高的推广前景。

为使发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为一个实施例中眼镜推荐方法的应用场景图；

图2是一个实施例中眼镜推荐方法的流程示意图；

图3是另一个实施例中眼镜推荐方法的流程示意图；

图4是一个实施例中眼镜推荐装置的结构示意图；

图5是另一个实施例中眼镜推荐装置的结构示意图；

图6是一个实施例中计算机设备的内部结构图。

【具体实施方式】

为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。

本申请提供的眼镜推荐方法，可以应用于如图1所示的应用环境中。该眼镜推荐方法应用于终端102中，其中，终端102可以但不限于是智能手机、电脑、笔记本电脑、掌上电脑、个人数字助理(Personal DigitalAssistant，PDA)、便捷式媒体播放器(PortableMedia Player，PMP)、可穿戴设备、智能手环等移动终端，以及诸如数字TV、台式计算机等固定终端。

在一个实施例中，如图2所示，提供了一种眼镜推荐方法，以该方法应用于图1中的智能手机为例进行说明，包括以下步骤：

S11，智能手机获取待推荐用户的目标面部图片。优选实施例中，智能手机获取待推荐用户的目标面部图片包括：

S110，智能手机接收用户指令，并根据用户指令开启摄像单元。

S111，智能手机通过摄像单元采集待推荐用户的实时面部图片，实时面部图片包括至少一张正面图片和至少一张侧面图片。为了提高用户面部特征的准确性，在拍摄过程中可以显示对应的头像框，从而指示用户将脸部放入头像框中进行拍摄，并在拍摄时指示用户调整脸部在头像框中的位置，直至用户脸部全部或部分落入头像框中。在其他实施例中，也可以直接获取用户智能手机中保存的面部照片。

S112，根据光线、曝光度和/或清晰度等参数从至少一张正面图片和至少一张侧面图片中选择易于识别的目标正面图片和目标侧面图片，从而获取待推荐用户的目标面部图片,即目标面部图片可以包括一张目标正面图片和目标侧面图片。

然后执行S12，智能手机对目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征。通常网店或者网上商城的眼镜品牌非常多，不同品牌通常会具备款式或者风格基本相同或者相似的镜框，这些款式或者风格相似的镜框上脸后的佩戴美观度差异不大，只是具体镜框尺寸稍有不同，从而影响用户佩戴的舒适性或者价格有所不同，影响用户的购买倾向。因此本实施例将用户面部特征划分为第一目标面部特征和第二目标面部特征，第一目标面部特征主要与镜框的风格和款式相关，决定眼镜佩戴的美观度，而第二目标面部特征主要与镜框的佩戴尺寸相关，决定眼镜佩戴的舒适度。具体来说，第一目标面部特征具体包括发型、眉型、面部比例、眉间距以及眼眶宽高中的至少一个。第二目标面部特征包括鼻梁高度、鼻梁宽度、侧脸宽度以及瞳距中的至少一个。

一个优选实施例中，智能手机对目标面部图片进行检测包括以下步骤：

S121，智能手机采用预设人脸识别算法对目标面部图片进行检测，获取至少一个预设面部特征点的坐标；

S122，智能手机根据至少一个预设面部特征点的坐标计算对应的第一目标面部特征和第二目标面部特征。

预设人脸识别算法主要采用深度卷积神经网络进行特征提取，即通过训练完成的深度卷积神经网络可以直接识别出目标面部图片的发型、眉型、眉间距、眼眶宽高、鼻梁宽度、鼻梁高度、侧脸宽度、瞳距以及面部比例等数值。深度卷积神经网络(CNN)是一种前馈神经网络，一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。深度卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。利用深度卷积神经网络进行训练的好处是在深度卷积神经网络对于图像处理领域效果较好，可以提高机器学习模型训练的效果。基于深度卷积神经网络技术在人脸识别领域已经运用的比较成熟，本申请不再对深度卷积神经网络的具体训练方法和识别过程进行详细说明。

另一优选实施例中，目标面部图片还可以包括多张目标正面图片和多张目标侧面图片，因此可以采用深度卷积神经网络技术对所有的目标面部图片进行特征提取，从而得到多个面部特征数据，以便筛除错误数据，比如不在预设数值范围或者明显不符合对称原则的数据，提高识别的准确性。

然后执行S13，智能手机采用训练后的深度神经网络生成与第一目标面部特征相匹配的至少一个初始眼镜样式。具体包括以下步骤：

S131，智能手机构建基于深度神经网络的眼镜样式推荐模型，眼镜样式推荐模型的输入至少包括第一面部特征，输出为至少一个初始眼镜样式。

S132，智能手机获取样本图片集合，并从样本图片集合中筛选出佩戴眼镜的训练图片。

S133，智能手机首先提取训练图片的第一训练面部特征和训练眼镜样式，然后采用训练图片的第一训练面部特征和训练眼镜样式对眼镜样式推荐模型进行训练，优化眼镜样式推荐模型的模型参数。

S134，智能手机采用训练完成的眼镜样式推荐模型生成与待推荐用户的第一目标面部特征相匹配的至少一个初始眼镜样式。

优选实施例中，眼镜样式推荐模型的输入还包括人群特征，人群特征包括用户年龄、性别、期望购买价格、职业和眼镜使用场合中的至少一种。此时可以在深度神经网络中设置基础函数X，基础函数X＝{aXa，bXb，……，mXm}，其中，Xa是特征A的特征值，a可以是特征A对眼镜样式的影响权重，比如特征A可以是眉型，同理特征B可以是脸型，特征C可以是发型，特征D可以是年龄等等。其中，特征的个数可以是多个，本申请实施例不做具体限定，并且在图片中未获取到相应的特征时，该特征的特征值可以输入为0。同时，本优选实施例可以根据特征对选择眼镜样式的重要性对每个特征设置不同的影响权重，比如为第一目标面部特征设置较高的影响权重，对人群特征设置降低的影响权重，从而生成最合适的初始眼镜样式。

然后执行S14，智能手机通过AR技术模拟每个初始眼镜样式在目标面部图片的佩戴效果。具体包括以下步骤：

S141，智能手机根据初始眼镜样式生成对应的眼镜三维模型；

S142，智能手机采用AR技术将眼镜三维模型与待推荐用户的目标面部图片进行图片合成，生成佩戴效果图片。本优选实施例可以生成正面佩戴效果图片和侧面佩戴效果图片，方便用户更直观的看到佩戴效果。

然后执行S15，当待推荐用户从所有的佩戴效果中选定最优佩戴效果后，智能手机获取最优佩戴效果对应的第一目标眼镜参数以及第二目标面部特征对应的第二目标眼镜参数。第一目标眼镜参数包括镜面宽度、镜框形状、镜框宽度、镜框高度、镜框粗细、框面外宽、镜腿形状以及镜框材质中的至少一个，这些眼镜参数主要与眼镜的款式和风格相关，由用户的第一目标面部特征决定。而第二目标眼镜参数包括中梁宽度和/或镜腿长度，主要与眼镜的佩戴舒适度相关，由用户的第二目标面部特征决定。

优选实施例中，从所有的佩戴效果中选定最优佩戴效果包括：智能手机持续获取待推荐用户针对任一佩戴效果的语音改进指令和/或文字改进指令，比如用户可以说“更秀气一点”、“镜框换成银色”、“镜框换成圆形”等等，对语音改进指令和/或文字改进指令进行语义分析，根据语义分析结果调整对应初始眼镜样式的当前眼镜参数，直至待推荐用户确认最优佩戴效果。

然后执行S16，根据第一目标眼镜参数和第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

以上实施例提出了一种眼镜推荐方法，利用人脸检测技术和AR技术，可以方便用户首先根据自己的第一目标面部特征挑选眼镜的风格和款式，然后根据自己第二目标面部特征对选定风格或款式的眼镜细节尺寸进行调整，从而获得最合适的目标眼镜样式及其购买链接，从而保证眼镜佩戴的美观性和舒适性，为用户提供精准的选配镜框服务。和线下眼镜店对比，本发明可以为近视人群提供更具性价比的产品，同时大大降低了网上配镜不合适退换货的风险，所采集到的用户面部信息数据，可用于日后再次选配镜框，还可搭配验光数据，做到线上一体化配镜，具有极高的推广前景。

本发明另一实施例提供了另一种眼镜推荐方法，如图3所示，包括以下步骤：

S21，获取多个待推荐用户的目标面部图片；

S22，对每个目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

S23，采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

S24，同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

S25，当所有待推荐用户选定同一最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

S26，根据第一目标眼镜参数和第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

上述眼镜推荐方法主要面向需要保持统一着装或者想购买相同款式眼镜的多个用户，首先根据他们的第一目标面部特征推荐与每个人都可以适配的初始眼镜样式，即推荐同时保证每个人的佩戴美观度的初始眼镜样式，相比为一人进行眼镜推荐的方案，此时匹配度可以设置相对较低。然后获取每个用户选定的最优佩戴效果，该最优佩戴效果可以由不同用户对同一初始眼镜样式进行微调形成，同时结合该用户的第二目标面部特征为每个用户生成最匹配的目标眼镜样式及其购买链接，以供用户进行选择和购买，从而满足其购买需求。

在另一实施例中，还可以将本发明的方法与眼睛验光相结合，即通过智能手机对用户进行验光后，将验光结果和眼镜镜框推荐结果结合起来，做到验光选镜框一步到位。

需要说明的是，未在以上为多个用户进行眼镜推荐的方法实施例中详尽描述的技术细节，可参见本发明实施例所提供的为一个用户进行眼镜推荐的方法，且具备对应的有益效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图4是本发明另一实施例提供的一种眼镜推荐装置的结构示意图，如图4所示，包括第一获取模块100、第一检测模块101、第一匹配模块102、第一显示模块103、第二获取模块104和第一推荐模块105，

第一获取模块100用于获取待推荐用户的目标面部图片；

第一检测模块101用于对目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

第一匹配模块102用于采用训练后的深度神经网络生成与第一目标面部特征相匹配的至少一个初始眼镜样式；

第一显示模块103用于通过AR技术模拟每个初始眼镜样式在目标面部图片的佩戴效果；

第二获取模块104用于当待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及第二目标面部特征对应的第二目标眼镜参数；

第一推荐模块105用于根据第一目标眼镜参数和第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

在一个优选实施例中，第二获取模块104具体用于持续获取待推荐用户针对任一佩戴效果的语音改进指令和/或文字改进指令，对语音改进指令和/或文字改进指令进行语义分析，根据语义分析结果调整对应初始眼镜样式的当前眼镜参数，直至待推荐用户确认最优佩戴效果。

在一个优选实施例中，第一目标面部特征包括待推荐用户的发型、眉型、面部比例、眉间距以及眼眶宽高中的至少一个；

第二目标面部特征包括待推荐用户的鼻梁高度、鼻梁宽度、侧脸宽度以及瞳距中的至少一个；

第一目标眼镜参数包括镜面宽度、镜框形状、镜框宽度、镜框高度、镜框粗细、框面外宽、镜腿形状以及镜框材质中的至少一个；

第二目标眼镜参数包括中梁宽度和/或镜腿长度。

在一个优选实施例中，第一匹配模块102具体包括：

构建单元，用于构建基于深度神经网络的眼镜样式推荐模型，眼镜样式推荐模型的输入至少包括第一面部特征，输出为至少一个初始眼镜样式；

样本获取单元，用于获取样本图片集合，并从样本图片集合中筛选出佩戴眼镜的训练图片；

训练单元，用于采用训练图片对眼镜样式推荐模型进行训练，优化眼镜样式推荐模型的模型参数；

匹配单元，用于采用训练完成的眼镜样式推荐模型生成与待推荐用户的第一目标面部特征相匹配的至少一个初始眼镜样式。

在一个优选实施例中，眼镜样式推荐模型的输入还包括人群特征，人群特征包括用户年龄、性别、职业和眼镜使用场合中的至少一种。

以上实施例提出了一种眼镜推荐装置，利用人脸检测技术和AR技术，可以方便用户首先根据自己的第一目标面部特征挑选眼镜的风格和款式，然后根据自己第二目标面部特征对选定风格或款式的眼镜细节尺寸进行调整，从而获得最合适的目标眼镜样式及其购买链接，从而保证眼镜佩戴的美观性和舒适性，为用户提供精准的选配镜框服务。和线下眼镜店对比，本发明可以为近视人群提供更具性价比的产品，同时大大降低了网上配镜不合适退换货的风险，所采集到的用户面部信息数据，可用于日后再次选配镜框，还可搭配验光数据，做到线上一体化配镜，具有极高的推广前景。

需要说明的是，上述眼镜推荐装置可执行本发明实施例所提供的眼镜推荐方法，具备执行方法相应的功能模块和有益效果。未在眼镜推荐装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的眼镜推荐方法。

本发明另一实施例提供了另一种眼镜推荐装置，如图5所示，包括第三获取模块200、第二检测模块201、第二匹配模块202、第二显示模块203、第四获取模块204和第二推荐模块205，

第三获取模块200用于获取多个待推荐用户的目标面部图片；

第二检测模块201用于对每个目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

第二匹配模块202用于采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

第二显示模块203用于同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

第四获取模块204用于当所有待推荐用户选定同一最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

第二推荐模块205用于根据第一目标眼镜参数和第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

上述眼镜推荐装置主要面向需要保持统一着装或者想购买相同款式眼镜的多个用户，首先根据他们的第一目标面部特征推荐与每个人都可以适配的初始眼镜样式，即推荐同时保证每个人的佩戴美观度的初始眼镜样式，相比为一人进行眼镜推荐的方案，此时匹配度可以设置相对较低。然后获取每个用户选定的最优佩戴效果，该最优佩戴效果可以由不同用户对同一初始眼镜样式进行微调形成，同时结合该用户的第二目标面部特征为每个用户生成最匹配的目标眼镜样式及其购买链接，以供用户进行选择和购买，从而满足其购买需求。

需要说明的是，未在以上为多个用户进行眼镜推荐的装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的为一个用户进行眼镜推荐的装置，且具备对应的有益效果。

在一个实施例中，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

S11，获取待推荐用户的目标面部图片；

S12，对目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

S13，采用训练后的深度神经网络生成与第一目标面部特征相匹配的至少一个初始眼镜样式；

S14，通过AR技术模拟每个初始眼镜样式在目标面部图片的佩戴效果；

S15，当待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及第二目标面部特征对应的第二目标眼镜参数；

S16，根据第一目标眼镜参数和第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

持续获取待推荐用户针对任一佩戴效果的语音改进指令和/或文字改进指令，对语音改进指令和/或文字改进指令进行语义分析，根据语义分析结果调整对应初始眼镜样式的当前眼镜参数，直至待推荐用户确认最优佩戴效果。

在一个实施例中，计算机程序被处理器执行时，第一目标面部特征包括待推荐用户的发型、眉型、面部比例、眉间距以及眼眶宽高中的至少一个；

第二目标面部特征包括待推荐用户的鼻梁高度、鼻梁宽度、侧脸宽度以及瞳距中的至少一个；

第一目标眼镜参数包括镜面宽度、镜框形状、镜框宽度、镜框高度、镜框粗细、框面外宽、镜腿形状以及镜框材质中的至少一个；

第二目标眼镜参数包括中梁宽度和/或镜腿长度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

S131，构建基于深度神经网络的眼镜样式推荐模型，眼镜样式推荐模型的输入至少包括第一面部特征，输出为至少一个初始眼镜样式；

S132，获取样本图片集合，并从样本图片集合中筛选出佩戴眼镜的训练图片；

S133，采用训练图片对眼镜样式推荐模型进行训练，优化眼镜样式推荐模型的模型参数；

S134，采用训练完成的眼镜样式推荐模型生成与待推荐用户的第一目标面部特征相匹配的至少一个初始眼镜样式。

在一个实施例中，计算机程序被处理器执行时，眼镜样式推荐模型的输入还包括人群特征，人群特征包括用户年龄、性别、职业和眼镜使用场合中的至少一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

S141，智能手机根据初始眼镜样式生成对应的眼镜三维模型；

S142，智能手机采用AR技术将眼镜三维模型与待推荐用户的目标面部图片进行图片合成，生成佩戴效果图片。本优选实施例可以生成正面佩戴效果图片和侧面佩戴效果图片，方便用户更直观的看到佩戴效果。

以上实施例提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时执行眼镜推荐方法，因此可以利用人脸检测技术和AR技术，可以方便用户首先根据自己的第一目标面部特征挑选眼镜的风格和款式，然后根据自己第二目标面部特征对选定风格或款式的眼镜细节尺寸进行调整，从而获得最合适的目标眼镜样式及其购买链接，从而保证眼镜佩戴的美观性和舒适性，为用户提供精准的选配镜框服务。和线下眼镜店对比，本发明可以为近视人群提供更具性价比的产品，同时大大降低了网上配镜不合适退换货的风险，所采集到的用户面部信息数据，可用于日后再次选配镜框，还可搭配验光数据，做到线上一体化配镜，具有极高的推广前景。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

S21，获取多个待推荐用户的目标面部图片；

S22，对每个目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

S23，采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

S24，同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

S25，当所有待推荐用户选定同一最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

S26，根据第一目标眼镜参数和第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

以上实施例提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时执行眼镜推荐方法，当存在需要保持统一着装或者想购买相同款式眼镜的多个用户，首先根据他们的第一目标面部特征推荐与每个人都可以适配的初始眼镜样式，即推荐同时保证每个人的佩戴美观度的初始眼镜样式，相比为一人进行眼镜推荐的方案，此时匹配度可以设置相对较低。然后获取每个用户选定的最优佩戴效果，该最优佩戴效果可以由不同用户对同一初始眼镜样式进行微调形成，同时结合该用户的第二目标面部特征为每个用户生成最匹配的目标眼镜样式及其购买链接，以供用户进行选择和购买，从而满足其购买需求。

图6是一个实施例中计算机设备的内部结构图，该计算机设备可以是笔记本电脑，也可以是其他的移动终端或固定终端。如图6所示，包括存储器81和处理器80，该存储器81存储有计算机程序82，该处理器80执行计算机程序82时实现以下步骤：

S11，获取待推荐用户的目标面部图片；

S12，对目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

S13，采用训练后的深度神经网络生成与第一目标面部特征相匹配的至少一个初始眼镜样式；

S14，通过AR技术模拟每个初始眼镜样式在目标面部图片的佩戴效果；

S15，当待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及第二目标面部特征对应的第二目标眼镜参数；

S16，根据第一目标眼镜参数和第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

在一个实施例中，处理器80执行计算机程序82时还实现以下步骤：

持续获取待推荐用户针对任一佩戴效果的语音改进指令和/或文字改进指令，对语音改进指令和/或文字改进指令进行语义分析，根据语义分析结果调整对应初始眼镜样式的当前眼镜参数，直至待推荐用户确认最优佩戴效果。

在一个实施例中，处理器80执行计算机程序82时还实现以下步骤：

S131，构建基于深度神经网络的眼镜样式推荐模型，眼镜样式推荐模型的输入至少包括第一面部特征，输出为至少一个初始眼镜样式；

S132，获取样本图片集合，并从样本图片集合中筛选出佩戴眼镜的训练图片；

S133，采用训练图片对眼镜样式推荐模型进行训练，优化眼镜样式推荐模型的模型参数；

S134，采用训练完成的眼镜样式推荐模型生成与待推荐用户的第一目标面部特征相匹配的至少一个初始眼镜样式。

在一个实施例中，处理器80执行计算机程序82时还实现以下步骤：

S141，智能手机根据初始眼镜样式生成对应的眼镜三维模型；

S142，智能手机采用AR技术将眼镜三维模型与待推荐用户的目标面部图片进行图片合成，生成佩戴效果图片。本优选实施例可以生成正面佩戴效果图片和侧面佩戴效果图片，方便用户更直观的看到佩戴效果。

在一个实施例中，处理器80执行计算机程序82时，眼镜样式推荐模型的输入还包括人群特征，人群特征包括用户年龄、性别、职业和眼镜使用场合中的至少一种。

在一个实施例中，处理器80执行计算机程序82时，第一目标面部特征包括待推荐用户的发型、眉型、面部比例、眉间距以及眼眶宽高中的至少一个；

第二目标面部特征包括待推荐用户的鼻梁高度、鼻梁宽度、侧脸宽度以及瞳距中的至少一个；

第一目标眼镜参数包括镜面宽度、镜框形状、镜框宽度、镜框高度、镜框粗细、框面外宽、镜腿形状以及镜框材质中的至少一个；

第二目标眼镜参数包括中梁宽度和/或镜腿长度。

以上实施例利用人脸检测技术和AR技术，可以方便用户首先根据自己的第一目标面部特征挑选眼镜的风格和款式，然后根据自己第二目标面部特征对选定风格或款式的眼镜细节尺寸进行调整，从而获得最合适的目标眼镜样式及其购买链接，从而保证眼镜佩戴的美观性和舒适性，为用户提供精准的选配镜框服务。和线下眼镜店对比，本发明可以为近视人群提供更具性价比的产品，同时大大降低了网上配镜不合适退换货的风险，所采集到的用户面部信息数据，可用于日后再次选配镜框，还可搭配验光数据，做到线上一体化配镜，具有极高的推广前景。

另一优选实施例中，处理器80执行计算机程序82时还实现以下步骤：

S21，获取多个待推荐用户的目标面部图片；

S22，对每个目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

S23，采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

S24，同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

S25，当所有待推荐用户选定同一最优佩戴效果后，获取最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

S26，根据第一目标眼镜参数和第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

当存在需要保持统一着装或者想购买相同款式眼镜的多个用户，上述实施例首先根据他们的第一目标面部特征推荐与每个人都可以适配的初始眼镜样式，即推荐同时保证每个人的佩戴美观度的初始眼镜样式，相比为一人进行眼镜推荐的方案，此时匹配度可以设置相对较低。然后获取每个用户选定的最优佩戴效果，该最优佩戴效果可以由不同用户对同一初始眼镜样式进行微调形成，同时结合该用户的第二目标面部特征为每个用户生成最匹配的目标眼镜样式及其购买链接，以供用户进行选择和购买，从而满足其购买需求。

本领域技术人员可以理解，图6仅仅是本发明终端的一个示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括电源管理模块、运算处理模块、输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器81可以是终端的内部存储单元，例如硬盘或内存。存储器81也可以是终端的外部存储设备，例如指南针校准终端上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器81还可以既包括指南针校准终端的内部存储单元也包括外部存储设备。存储器81用于存储计算机程序以及指南针校准终端所需的其他程序和数据。存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将终端的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的终端/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，终端或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。

Claims (10)

1.一种眼镜推荐方法，其特征在于，包括以下步骤：

获取待推荐用户的目标面部图片；

对所述目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

采用训练后的深度神经网络生成与所述第一目标面部特征相匹配的至少一个初始眼镜样式；

通过AR技术模拟每个初始眼镜样式在所述目标面部图片的佩戴效果；

当所述待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及所述第二目标面部特征对应的第二目标眼镜参数；

根据所述第一目标眼镜参数和所述第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供待推荐用户进行选择和购买。

2.根据权利要求1所述的眼镜推荐方法，其特征在于，从所有的佩戴效果中选定最优佩戴效果包括：

持续获取所述待推荐用户针对任一所述佩戴效果的语音改进指令和/或文字改进指令，对所述语音改进指令和/或所述文字改进指令进行语义分析，根据语义分析结果调整对应初始眼镜样式的当前眼镜参数，直至所述待推荐用户确认最优佩戴效果。

3.根据权利要求1所述的眼镜推荐方法，其特征在于，所述第一目标面部特征包括待推荐用户的发型、眉型、面部比例、眉间距以及眼眶宽高中的至少一个；

所述第二目标面部特征包括待推荐用户的鼻梁高度、鼻梁宽度、侧脸宽度以及瞳距中的至少一个；

所述第一目标眼镜参数包括镜面宽度、镜框形状、镜框宽度、镜框高度、镜框粗细、框面外宽、镜腿形状以及镜框材质中的至少一个；

所述第二目标眼镜参数包括中梁宽度和/或镜腿长度。

4.根据权利要求1-3任一所述的眼镜推荐方法，其特征在于，所述采用训练后的深度神经网络生成与所述第一目标面部特征相匹配的至少一个初始眼镜样式包括：

构建基于深度神经网络的眼镜样式推荐模型，所述眼镜样式推荐模型的输入至少包括第一面部特征，输出为至少一个初始眼镜样式；

获取样本图片集合，并从所述样本图片集合中筛选出佩戴眼镜的训练图片；

采用所述训练图片对所述眼镜样式推荐模型进行训练，优化所述眼镜样式推荐模型的模型参数；

采用训练完成的眼镜样式推荐模型生成与待推荐用户的第一目标面部特征相匹配的至少一个初始眼镜样式。

5.根据权利要求4所述的眼镜推荐方法，其特征在于，所述眼镜样式推荐模型的输入还包括人群特征，所述人群特征包括用户年龄、性别、职业和眼镜使用场合中的至少一种。

6.一种眼镜推荐方法，其特征在于，包括以下步骤：

获取多个待推荐用户的目标面部图片；

对每个所述目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

当所有待推荐用户选定同一最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

根据所述第一目标眼镜参数和所述第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

7.一种眼镜推荐装置，其特征在于，包括第一获取模块、第一检测模块、第一匹配模块、第一显示模块、第二获取模块和第一推荐模块，

所述第一获取模块用于获取待推荐用户的目标面部图片；

所述第一检测模块用于对所述目标面部图片进行检测，获取用于表征佩戴美观度的第一目标面部特征和用于表征佩戴舒适度的第二目标面部特征；

所述第一匹配模块用于采用训练后的深度神经网络生成与所述第一目标面部特征相匹配的至少一个初始眼镜样式；

所述第一显示模块用于通过AR技术模拟每个初始眼镜样式在所述目标面部图片的佩戴效果；

所述第二获取模块用于当所述待推荐用户从所有的佩戴效果中选定最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及所述第二目标面部特征对应的第二目标眼镜参数；

所述第一推荐模块用于根据所述第一目标眼镜参数和所述第二目标眼镜参数生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

8.一种眼镜推荐装置，其特征在于，包括第三获取模块、第二检测模块、第二匹配模块、第二显示模块、第四获取模块和第二推荐模块，

所述第三获取模块用于获取多个待推荐用户的目标面部图片；

所述第二检测模块用于对每个所述目标面部图片进行检测，获取每个待推荐用户对应的第一目标面部特征和第二目标面部特征；

所述第二匹配模块用于采用训练后的深度神经网络生成与所有第一目标面部特征均相匹配的至少一个初始眼镜样式；

所述第二显示模块用于同时显示所有待推荐用户的目标面部图片，并通过AR技术模拟同一初始眼镜样式在对应目标面部图片的佩戴效果；

所述第四获取模块用于当所有待推荐用户选定同一最优佩戴效果后，获取所述最优佩戴效果对应的第一目标眼镜参数以及每个待推荐用户的第二目标面部特征对应的第二目标眼镜参数；

所述第二推荐模块用于根据所述第一目标眼镜参数和所述第二目标眼镜参数为每个待推荐用户生成最匹配的目标眼镜样式及其购买链接，以供所述待推荐用户进行选择和购买。

9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的眼镜推荐方法。

10.一种终端，其特征在于，包括权利要求9所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现如权利要求1-7任一项所述的眼镜推荐方法的步骤。

Images